AI در حال خروج از صفحه نمایش است. این هفته گوگل عوامل AI را به نمایش گذاشت که آزمایش‌ها را برنامه‌ریزی کرده و آن‌ها را به ربات‌های آزمایشگاهی واقعی می‌سپارند و یک ماشین هلندی از بینایی کامپیوتر برای کاشت خودکار قلمه‌ها استفاده می‌کند. ابزارهای جستجوی جدید دیپ‌سیک (DeepSeek) برای عوامل، برنامه سرن (CERN) و میسترال (Mistral) برای یک مدل فیزیک، و مقاله‌ای درباره عواملی که بدون نوشتن تمام افکارشان استدلال می‌کنند را نیز به این فهرست اضافه کنید.
۱. عوامل AI گوگل اکنون ربات‌های آزمایشگاهی واقعی را هدایت می‌کنند
در ۱۶ اکتبر، Google Research سیستم VERID (زیرساخت تاییدشده برای آزمایشگاه‌های کشف) را توصیف کرد؛ یک همزاد دیجیتال زنده از یک سلول کاری آزمایشگاهی که بر روی چارچوب منبع‌باز PyLabRobot ساخته شده است. این سیستم بازوی رباتیک، مایع موجود در هر چاهک، معرف‌ها و نوک پیپت‌های باقی‌مانده را ردیابی می‌کند. یک عامل AI می‌تواند ابتدا یک پروتکل را در این مدل به‌طور آزمایشی اجرا کند و بررسی‌های ایمنی، دستوراتی را که سخت‌افزار قادر به انجام آن‌ها نیست مسدود می‌کنند.
نتایج ملموس هستند. در طراحی آپتامرها علیه آلفا-ترومبین، نرخ موفقیت طی سه دور طراحی-آزمایش از ۰٪ به ۲۶٫۰٪ و سپس به ۴۲٫۱٪ افزایش یافت. یک گردش کار طراحی پروتئین، بایندرهایی با میل ترکیبی نانومولار تک‌رقمی علیه FAP تولید کرد؛ پروتئینی که در بسیاری از تومورهای جامد بیش‌بیان می‌شود.
نکته قابل توجه: این یک نمونه اولیه تحقیقاتی است، مورد داوری همتایان قرار نگرفته است و انسان‌ها هر توالی طراحی‌شده را تایید کرده، پروتکل‌ها را بررسی می‌کنند و بر اجرای ربات نظارت دارند.
▶ ویدیوی VERID گوگل را در پست اصلی تماشا کنید
۲. یک ربات AI هلندی تا ۳۰۰۰ قلمه در ساعت می‌کارد
شرکت هلندی TTA-ISO دستگاه CuttingPlanter 2.0 را در جولای ۲۰۲۶ معرفی کرد، بنابراین این یک خبر فوری نیست، اما همان تغییر و تحول را نشان می‌دهد. نرم‌افزار CuttingVision قلمه‌ها را روی یک نوار نقاله عریض بررسی کرده و مواردی را که برای کاشت آماده هستند انتخاب می‌کند. سپس یک گیره چرخشی الکتریکی هر کدام را در عمق ثابتی می‌کارد و قلمه‌هایی که جا مانده‌اند دوباره به چرخه برمی‌گردند.
شرکت TTA-ISO سرعت را تا ۳۰۰۰ قلمه در ساعت اعلام کرده است. این حداکثر سرعت اعلام‌شده توسط سازنده است و نه یک اندازه‌گیری مستقل، و سرعت واقعی به نوع محصول بستگی دارد. تکثیر گیاهان هنوز در بسیاری از گلخانه‌ها یک کار دستی است و به همین دلیل است که ماشین‌هایی از این دست اهمیت دارند.
▶ عملکرد CuttingPlanter 2.0 را تماشا کنید (TTA-ISO) · لینکدین
۳. دیپ‌سیک جستجوی وب را به روی عوامل AI باز می‌کند
در ۱۹ اکتبر، DeepSeek دو API به نام‌های Search و Fetch راه‌اندازی کرد که به عوامل AI توسعه‌دهندگان اجازه می‌دهند وب را جستجو کرده و صفحات را از طریق دیپ‌سیک بخوانند. TechNode قیمت را ۵ یوان (حدود ۰٫۷۰ دلار) به ازای هر ۱۰۰۰ درخواست موفق گزارش می‌دهد؛ درخواست‌های ناموفق، نتایج خالی و وقفه‌های زمانی هزینه‌ای در بر ندارند.
دو روز قبل از آن، DeepSeek مدل خود را به V4.1 Flash-1017 به‌روزرسانی کرد که طبق گفته این شرکت دارای استدلال، کدنویسی و انجام وظایف عاملی بهتری است. وزن‌های این مدل تحت لیسانس MIT در Hugging Face در دسترس هستند. این بهبودها بر اساس ادعاهای خود دیپ‌سیک است.
۴. برنامه سرن و میسترال برای یک مدل AI در حوزه فیزیک
در ۱۵ اکتبر، سرن و شرکت فرانسوی AI یعنی میسترال (Mistral)، بیانیه قصد مشترکی برای یک همکاری طولانی‌مدت امضا کردند. اولین هدف یک «مدل بزرگ فیزیک» است که سرن آن را نخستین مدل پایه برای فیزیک برخورددهنده‌ها می‌نامد و بر روی میلیاردها برخورد پروتون-پروتون شبیه‌سازی‌شده از LHC آموزش دیده است. این مدل می‌تواند به بازسازی برخوردها، شناسایی ذرات و علامت‌گذاری سیگنال‌های غیرمنتظره کمک کند.
این یک برنامه است، نه یک سیستم در حال کار. در همان هفته، میسترال Timestral را منتشر کرد؛ مدل‌های پیش‌بینی‌کننده از ۵ میلیون تا ۲۰۹ میلیون پارامتر؛ میسترال می‌گوید بزرگ‌ترین مدل در ارزیابی‌های GIFT-Eval، TIME و fev-bench رتبه اول را دارد که این نتایج توسط خود شرکت گزارش شده است.
۵. عواملی که بدون کلمات استدلال می‌کنند
یک پیش‌چاپ در arXiv با عنوان «عوامل استدلال ترکیبی» نوشته Jiaru Zou، James Zou و همکاران، به یک عامل اجازه می‌دهد در یک فرم داخلی پنهان فکر کند و تنها اقداماتی که انجام می‌دهد را بنویسد. نویسندگان گزارش می‌دهند که در مقایسه با عوامل استاندارد، توکن‌های خروجی ۳۵٫۵٪ تا ۵۴٫۷٪ کمتر شده و استنتاج ۱٫۸ تا ۲٫۶ برابر سریع‌تر است. این یکی از پربحث‌ترین مقاله‌ها در Hacker News در تاریخ ۱۹ اکتبر بود.
این‌ها اعداد خود مقاله هستند و این کار هنوز مورد داوری همتایان قرار نگرفته است. این ایده اهمیت دارد زیرا عوامل ارزان‌تر و سریع‌تر، همان چیزی هستند که ربات‌ها و سیستم‌های آزمایشگاهی مانند موارد بالا را کاربردی می‌کنند.
همچنین امروز در Hacker News
لینوکس ۷٫۳ منتشر شد؛ یک نسخه رکوردشکن با ۱۸۷۶۵ کامیت غیر ادغامی از ۳۰۲۱ توسعه‌دهنده. وبلاگ Construction Physics این پرسش را مطرح می‌کند که برای آموزش یک ربات واقعا به چه چیزی نیاز است. و 3Blue1Brown استدلال می‌کند که هرگز زمان بهتری برای مطالعه ریاضیات وجود نداشته است:
منابع
- Google Research: پایه‌گذاری عوامل AI در واقعیت بیولوژیکی (۱۶ اکتبر ۲۰۲۶)
- مستندات PyLabRobot
- TSN Media: عوامل AI گوگل برای آزمایشگاه‌های تر (wet-lab)
- TTA-ISO: دستگاه CuttingPlanter 2.0
- TTA-ISO: معرفی جدیدترین دستگاه CuttingPlanter 2.0 ما (جولای ۲۰۲۶)
- TechNode: دیپ‌سیک APIهای جستجوی وب و واکشی صفحات را راه‌اندازی کرد (۱۹ اکتبر ۲۰۲۶)
- TechNode: انتشار V4.1 Flash-1017 توسط دیپ‌سیک (۱۹ اکتبر ۲۰۲۶)
- CERN: سرن و میسترال برای شتاب بخشیدن به AI در علم متحد می‌شوند (۱۵ اکتبر ۲۰۲۶)
- Mistral AI: معرفی Timestral (۱۵ اکتبر ۲۰۲۶)
- arXiv 2610.18861: عوامل استدلال ترکیبی
- LWN: لینوکس ۷٫۳ منتشر شد
- Construction Physics: چگونه ربات خود را آموزش دهیم
- 3Blue1Brown در یوتیوب
دیدگاهتان را بنویسید